Anvendt Statistik Lektion 9

Præsentationer af emnet: "Anvendt Statistik Lektion 9"— Præsentationens transcript:

1 Anvendt Statistik Lektion 9
Variansanalyse (ANOVA)

2 Undersøge sammenhæng Undersøge sammenhænge mellem kategoriske variable: c2-test i kontingenstabeller Undersøge sammenhæng mellem kontinuerte variable: Simpel eller multipel lineær regression. Undersøge forskellen i middelværdi for to grupper Denne gang: Sammenligne middelværdier i mere end to grupper Metode: Variansanalyse (ANalysis Of VAriance) Eksempel: Er der forskel i middelløn for tre grupper

3 Eksempel: Politisk Ideologi
Hver af 943 personer har angivet: Parti Demokrat, Uafh., Republikaner Politisk ideologi Heltal fra 1 til 7 Opsummering af data: SPSS: Chart builder: Histogram + Groups/Point ID → Rows panel variable SPSS: Analyze → Compare Means → Means

4 ANOVA: Setup Vi har g grupper
Dvs. hvis vi vil sammenligne tre grupper, så er g = 3 De g grupper har middelværdierne m1, m2, …, mg Dvs. m1 er middelværdi for gruppe 1, osv. Variansanalyse er et F-test af H0: m1 = m2 = mg (ens middelværdier) Ha: Mindst en middelværdi skiller sig ud

5 Antagelser Antagelser for at F-testet i ANOVA er gyldigt:
Hver af de g grupper er normalfordelte Samme standardafvigelsen, s, for alle grupper De g stikprøver er uafhængige s m1 m2 m3

6 Hypotese og Fortolkning
Variansanalyse er et F-test af H0: m1 = m2 =…= mg (ens middelværdier) Ha: Mindst en middelværdi skiller sig ud Fortolkning: Hypoteserne har følgende fortolkning H0: Ingen effekt af den forklarende variabel Ha: Den forklarende variabel har en effekt Hvis vi afviser H0, så kan årsagen fx være at Én gruppe skiller sig ud Alle grupper har forskellige middelværdier

7 Mærkeligt navn… Hvorfor hedder det variansanalyse, når det handler om at sammenligne middelværdier??? Case 1 Case 2 Case 1: Tydelig forskel i middelværdi! Case 2: Ikke så tydeligt… De tre middel-værdier er de samme i begge cases!! Forskellen: Vi sammenligner variationen af middelværdien med variationen i hver af de tre grupper. Derfor hedder det variansanalyse

8 F-testet: Forhold af variansestimater
Notation: gennemsnittet i i’te gruppe gennemsnittet af alle data F-teststørrelsen er Variansestimater: Between-groups: Baseret på variationen i ’erne (omkr. ). Er et unbiased estimat af s2, hvis H0 er sand. Within-groups: Baseret på variationen i grupperne. Er altid et unbiased estimat af s2! Hvis H0 er falsk, har F tendens til at være stor.

9 Illustration af middelværdier
Alt data slået sammen Data inddelt efter flytype

10 Eksempel: Politisk Ideologi
Hver af 943 personer har angivet: Parti Demokrat, Uafh., Republikaner Politisk ideologi Heltal fra 1 til 7 Opsummering af data: SPSS: Chart builder: Histogram + Groups/Point ID → Rows panel variable SPSS: Analyze → Compare Means → Means

11 Eksempel SPSS: Analyze → Comapre Means → One-Way ANOVA
H0 afvises – der er en forskel i middelværdierne. Between-Groups variansestimat P-værdi F = 25,547 Within-Groups variansestimat

12 Variansanalyse og Regression
Vi kan formulere en variansanalyse som en multipel lineær regression! Det kræver vi indfører såkaldte dummy-variable. Eksempel: Vi har g = 3 grupper Vi indfører to dummy variable z1 og z2, der indikerer om en observation tilhører hhv. gruppe 1 eller 2. Dvs. for en observation fra gruppe 2 har vi z1 = 0 og z2 = 1. Obs. grp. z1= z2= 1 2 3

13 Regressionsmodel Vi kan nu formulere en multipel lineær regressionsmodel: E[y] = a + b1z1 + b2z2 For gruppe 1 har vi z1 = 1 og z2 = 0 dvs. E[y] = a + b1·1 + b2·0 = a + b1 = m1 For gruppe 2 har vi z1 = 0 og z2 = 1 dvs. E[y] = a + b1·0 + b2·1 = a + b2 = m2 For gruppe 3 har vi z1 = 0 og z2 = 0 dvs. E[y] = a + b1·0 + b2·0 = a = m3

14 Fortolkning Vi kan nu formulere en multipel lineær regressionsmodel:
E[y] = a + b1z1 + b2z2 a kan fortolkes som middelværdien for gruppe 3 (referencegruppen) b1 og b2 kan fortolkes som forskelle i middelværdien for hhv. gruppe 1 og 2 i forhold til referencegruppen (gruppe 3) Gruppe z1= z2= Middelv. for y Fortolkning af b 1 m1 = a + b1 b1 = m1 - m3 2 m2 = a + b2 b2 = m2 - m3 3 m3 = a

15 Estimation SPSS: Analyze → General Linear Model → Univariate
Under options vælg ’Parameter estimates’ Output: a b1 b2 Estimerede model: Dvs. den estimerede middelværdi for gruppe 1 er:

16 Hypotesetest i Regressionsmodel
I multipel lineær regression udførte vi et F-test af hypotesen: H0: b1 = b2 = 0 Ha: mindst et b j  0 Fortolkningen af H0: Alle grupper har samme middelværdi. Det svarer præcist til F-testet i ANOVA H0: m1 = m2 = m3 Ha: Mindst et mj skiller sig ud. Dvs. der er intet tabt ved at bruge regressionsformuleringen.

17 Hypotesetest i SPSS SPSS: Analyze → General Linear Model → Univariate
Bemærk: Resultat er præcist som når vi bruger One-Way ANOVA funktionen i SPSS.

18 Sammenligninger af mange middelværdier
Antag vi har afvist H0, dvs. middelværdierne er forskellige. Spørgsmål: Hvilken middelværdi skiller sig ud? Ide: Udregn konfidensintervaller for forskellen i middelværdi for alle par af middelværdier: Et konfidensinterval for mi – mj er t har df = N – g frihedsgrader. ni er antal observationer i i’te gruppe. N er det totale antal observationer i de g grupper.

19 Eksempel Find et 95% konfidensinterval for forskellen i middel ideologi for demokrater og republikanere: Demokrater: , n1 = 340. Republikanere: , n3 = 290. 95% konfidensinterval for m3 - m1: Dvs. vi er 95% sikre på at forskellen er mellem 0.51 og 1.12. t0.025=1.96, df = 940.

20 Mange sammenligninger
Har vi g = 10 grupper laver vi g(1-g)/2 = 45 parvise sammenligninger fx vha. 95% konfidensintervaller. Hvert konfidensinterval vil isoleret set indeholde den sande forskel med 95% sikkerhed. Derimod vil de 45 intervaller typisk ikke alle samtidigt indeholde den sande værdi med 95% sikkerhed! Løsning: Bonferroni sammenligning Antag vi har g = 4 grupper, dvs. 6 sammenligninger. I stedet for (1 - a)100% = 95% konfidensintervaller (a = 5%), så bruger vi (1 - a/6)100% = 99.2% konfidensintervaller. Dette sikre at konfidensniveauet er mindst 95%.

21 Eksempel: Bonferroni Forskellen mellem demokrater og republikanere:
g = 3, dvs. 3(3-1)/2 = 3 sammenligninger. Så vi skal bruge a = 0,05/3 = 0,017. I SPSS vælger man Bonferroni under ’Post-hoc’ t0.017/2 = 2.40, df = 940.

22 Eksempel: Bonferroni Bonferroni i SPSS: Vælges under Post Hoc

23 To-sidet Variansanalyse (Two-Way ANOVA)
Indtil nu: Hvordan middelværdien for én kontinuert variabel (Ideologi) afhænger af én kategorisk variabel (Parti ID): En-sidet variansanalyse. Vi vil nu se på, hvordan én kontinuert variabel afhænger af to kategorisk variabel Eksempel: Ideologi forklaret ved Parti ID og køn SPSS: Compare Means → Means… Tilføj PartyID og Gender i hvert sit ”Layer”

24 Mange middelværdier i spil
I eksemplet er der 2·3 = 6 celler i spil, med hver deres middelværdi: En to-sidet variansanalyse handler om at undersøge, hvordan de to forklarende variable (Party ID og Gender) påvirker disse middelværdier. Der er to slags effekter: Hovedeffekter: Isoleret effekten af en forklarende variabel Vekselvirkningseffekt: Effekten af en variabel påvirkes af en anden variabel. Party ID Gender Democrat Independent Republican Female mFD mFI mFR Male mMD mMI

25 ANOVA model uden vekselvirkning
Fortolkninger: Effekten af køn er den samme for alle Parti ID Effekten af Parti ID er den samme for begge køn. Ideologi Mand Kvinde Parti ID Demokrat Uafh. Republikaner

26 ANOVA kun med hovedeffekt A
Fortolkning: Kun hovedeffekt A (Parti ID) har en betydning for Ideologi. Ideologi Mand/ Kvinde Parti ID Demokrat Uafh. Republikaner

27 ANOVA kun med hovedeffekt B
Fortolkning: Kun hovedeffekt B (Køn) har en betydning for Ideologi. Ideologi Mand Kvinde Parti ID Demokrat Uafh. Republikaner

28 ANOVA model med vekselvirkning
Fortolkning: Effekten af Parti ID afhænger af køn (og omvendt) Ideologi Kvinde Mand Parti ID Demokrat Uafh. Republikaner

29 For data ser det sådan ud
Ikke meget tegn på vekselvirkning Ikke meget tegn på effekt af køn En svag effekt af Party ID

30 Hypoteser og Antagelser
Observationerne i hver celle er normalfordelte Standardafvigelsen er konstant på tværs af celler Vi tester hypoteser på formen H0: Ingen effekt af prediktor (=forklarene variabel) Ha: Der er en effekt af prediktor Generelt: Antag vi har to prediktore, A og B: Vi vil teste Hovedeffekten af prediktor A Hovedeffekten af prediktor B Vekselvirkningseffekten ml. A og B.

31 Analyse-Strategi Slagplanen minder om den for multipel lineær regression: Først tester vi effekten af vekselvirkningen. Er vekselvirkningen signifikant, så tester vi ikke mere. Det giver ikke mening at teste hovedeffekter, hvis der er en vekselvirkning. Er vekselvirkningen ikke signifikant, så fjerner vi den fra modellen og tester de to tilbageværende hovedeffekter.

32 Hypoteser og Antagelser
Vi tester altså hypoteser på formen H0: Ingen effekt af prediktor Ha: Der er en effekt af prediktor Teststørrelsen er generelt på formen Generelt gælder der at SPSS finder Sum of Squares og antal frihedsgrader (df).

33 Eksempel: Model uden Vekselvirkning
I SPSS er vekselvirkning tager med pr. default, så det skal der gøres noget ved. Vælg ’Custom’ model. Vælg ’Main effects’ Overfør de to ’factors’

34 SPSS: Resultat H0: Ingen effekt af køn vs Ha: Der er en effekt af køn
Teststørrelse Konklusion: Da P-værdien > 0.05 kan vi ikke afvise H0. Igen effekt af køn. P-værdi F = 0.784

35 Test af vekselvirkning
Vi spoler lige et trin tilbage. Antag at vi også inkluderer vekselvirkning i modellen: Enten skal man sikre sig at ’Full factorial’ er valgt: Alternativt kan man selv angive modellen med vekselvirkning: Marker både partyid og gender, vælg Interaction og før over. Vigtigt: Det er vigtig at man først overfører hovedeffekterne og derefter vekselvirkningseffketer:

36 SPSS: Resultat H0: Ingen effekt af vekselvirkning Teststørrelse
Konklusion: Da P-værdien > 0.05 kan vi ikke afvise H0. Igen vekselv. effekt. P-værdi F = 1.089

37 To-sidet variansanalyse og Regression
Først skal vi definere to sæt dummy-variable: For Parti ID har vi to: p1 og p2 For Køn har vi en: s To-sidet variansanalysemodel uden vekselvirkning: Party ID p1 = p2 = Democrat 1 Independent Republican Gender s = Female 1 Male

38 Fortolkning Fortolkning af modellen:
Tabel over middelværdier ifølge modellen: Bemærk: b1 og b2 angiver effekten af at være hhv. Demokrat og Uafh. i forhold til at være Republikaner (referencen). Effekten af Parti ID den samme for begge køn. b3 angiver effekt af Kvinde i forhold til Mand. E[y]=… Demokrat p1=1 p2=0 Uafh. p1=0 p2=1 Republikaner p1=0 p2=0 Kvinde s = 1 a+b1+b3 a+b2+b3 a+b3 Mand s = 0 a+b1 a+b2 a

39 Estimation Fra SPSS får vi: Estimerede model:
Effekten af at være Demokrat eller Uafh. i forhold til at være Republikaner er negativ. Effekten af Kvinde er negativ (i forhold til Mand).

40 Model med vekselvirkning
To-sidet variansanalyse med vekselvirkning: Som i multipel lineær regression er vekselvirkning opnået ved at gange de to variable sammen. Bemærk at vi har 6 parametre og 6 celler. Det er muligt med denne model frit at tildele hver celle en middelværdi uafhængigt af de andre celler. Man kalder sådan en model mættet – det er ikke muligt at gøre den mere kompliceret. E[y]=… Demokrat p1=1 p2=0 Uafh. p1=0 p2=1 Republikaner p1=0 p2=0 Kvinde s = 1 a+b1+b3+b4 a+b2+b3+b5 a+b3 Mand s = 0 a+b1 a+b2 a

41 Estimation Den estimerede model: